MétaCan
Menu
Retour à la cohorte
Enregistrement W2945073436 · doi:10.3390/w11051016

An Integrated Hydrological-CFD Model for Estimating Bacterial Levels in Stormwater Ponds

2019· article· en· W2945073436 sur OpenAlexafffundabout
Farzam Allafchi, Caterina Valeo, Jianxun He, Norman F. Neumann

Notice bibliographique

RevueWater · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Stormwater Management Solutions
Établissements canadiensUniversity of AlbertaUniversity of CalgaryUniversity of Victoria
Organismes subventionnairesAlberta Innovates
Mots-clésStormwaterReynolds-averaged Navier–Stokes equationsIndicator bacteriaEnvironmental scienceComputational fluid dynamicsWatershedHydrology (agriculture)TurbulenceStormFlow (mathematics)Fecal coliformWater qualitySurface runoffMeteorologyMathematicsEcologyGeologyMechanicsGeographyGeotechnical engineeringComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

A hydrological model was integrated with a computational fluid dynamics (CFD) model to determine bacteria levels distributed throughout the Inverness stormwater pond in Calgary, Alberta. The Soil Conservation Service (SCS) curve number model was used as the basis of the hydrological model to generate flow rates from the watershed draining into the pond. These flow rates were then used as input for the CFD model simulations that solved the Reynolds-Averaged Navier-Stokes (RANS) equations with k-ɛ turbulence model. E. coli, the most commonly used fecal indicator bacteria for water quality research, was represented in the model by passive scalars with different decay rates for free bacteria and attached bacteria. Results show good agreement with measured data in each stage of the simulations. The middle of the west wing of the pond was found to be the best spot for extracting water for reuse because it had the lowest level of bacteria both during and after storm events. In addition, only one of the four sediment forebays was found efficient in trapping bacteria.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,505
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,029
Tête enseignante GPT0,247
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetUrban Stormwater Management SolutionsTravaux en français237 207